Google: Gemini Embedding 001
gemini-embedding-001- 輸入 / 輸出-50%
- $0.15 / $0.00$0.075 / $0.00
- 上下文
- 2K
- 模態
- 嵌入
關於 Gemini Embedding 001
Gemini Embedding 001 是 Google Gemini API 中的純文字嵌入模型。它將文字轉換為捕捉語意的向量，讓您無需依賴共享關鍵字即可將問題與段落進行匹配、對相關文件進行分群或提供推薦。輸出大小可在 128 到 3,072 維度之間調整，並透過任務類型參數告知模型向量的用途。
適用場景
- 任務類型參數（例如檢索文件或語意相似度）讓您能針對特定工作調整向量，而非使用通用的嵌入方式。
- 輸出維度可從 3,072 縮減至最低 128，Google 指出較小的尺寸在評分上與完整尺寸相近。
- 每個輸入字串都會獲得專屬的嵌入，適合需要為每份文件建立向量的批次索引作業。
- 向量以浮點數或 base64 格式回傳，因此可以緊湊地儲存。
其他選擇建議
- 輸入僅限文字，且上限遠低於較新的模型，因此長文件在嵌入前必須先分割成區塊。
- 低於 3,072 維度的向量在進行相似度搜尋前，需要由您自行進行正規化。
- 其向量空間與 gemini-embedding-2 不相容，因此切換模型意味著需要對整個集合重新進行嵌入。
入門指南
建立 API 金鑰
請至 Console 建立金鑰，即可在平台上使用各類模型。
發送您的第一個請求
複製您所選語言的範例，並針對端點執行它。
嵌入TokenLab 端點POST/v1/embeddingscurl -X POST "https://api.tokenlab.sh/v1/embeddings" \ -H "Authorization: Bearer sk-xxx" \ -H "Content-Type: application/json" \ -d '{ "dimensions": 768, "encoding_format": "float", "input": "Semantic search", "model": "gemini-embedding-001" }'
定價
Official 價格為模型開發商的公開基準價。TokenLab 價格則為您在 TokenLab 使用該模型的實際費用。
定價
每 1M Token- TokenLab 價格
- 輸入$0.075每 1M Token輸出$0.00每 1M Token
- Official 定價
- 輸入$0.15每 1M Token輸出$0.00每 1M Token
折扣: -50%
| Official 定價每 1M Token | TokenLab 價格每 1M Token | 折扣 | |
|---|---|---|---|
| 輸入 | $0.15 | $0.075 | -50% |
| 輸出 | $0.00 | $0.00 | — |
使用量與活動
成功率是請求完成的比例；延遲是一次完整回應所需的時間，P95 表示 95% 的請求在該時間內完成。
用量與可用性
過去 24 小時- 請求數
- 成功率
- P95 延遲
- 總 Token 用量
資料基於彙總的使用者請求，不包含狀態檢查。
直接在 Console 裡試
在 Console 中開啟 Gemini Embedding 001，並準備好編輯或發送提示詞。
協助我使用 gemini-embedding-001 透過 /v1/embeddings 執行 embedding，並顯示結果與成本。
應用情境
問答檢索
將文件區塊進行一次嵌入，使用查詢任務類型對每個問題進行嵌入，並擷取最接近的區塊以提供給聊天模型。
重複與近重複偵測
比較支援票證或產品描述的向量，以找出用不同詞彙表達相同內容的項目。
主題分群
根據語意將回饋或文章分組，無需編寫關鍵字列表即可觀察主題趨勢。
內容推薦
透過尋找與讀者剛閱讀完內容最接近的向量，來建議相關的文章。
提示詞範例
將這 500 個說明中心段落進行嵌入以供檢索，並儲存向量，以便使用者能以自然語言進行搜尋。
找出語意上與「客戶在更改電子郵件地址後無法重設密碼」最相似的五張票證。
透過對每則應用程式評論進行嵌入並將最近鄰居分組，來對上個月的評論進行分群。
費用計算機
FAQ
Gemini Embedding 001 的用途是什麼？
用於文字的語意搜尋與檢索、分群、分類及推薦。它將文字轉換為向量，使相似的語意在空間中彼此靠近。使用任務類型參數來指定您是在嵌入文件、查詢還是比較相似度。
Gemini Embedding 001 與 Gemini Embedding 2 有何不同？
001 僅處理文字，輸入上限較短，並使用任務類型參數。Embedding 2 可處理較長的文字，並預期在提示詞中包含任務指令。兩者的向量無法相互比較。
我應該選擇什麼維度？
Google 建議使用 768、1,536 或 3,072，並允許 128 到 3,072 之間的任何數值。較小的尺寸可節省儲存空間與搜尋時間，且評分與完整尺寸相近。當使用低於 3,072 的維度時，請自行對向量進行正規化。
輸入長度限制為何？
每個輸入都有長度上限。對於較長的文件，請將其分割為合適的段落並分別進行嵌入。通常在段落或標題處進行區塊切割，會比固定長度切割獲得更好的檢索效果。
我該如何呼叫它？
使用標準的嵌入請求格式。發送模型名稱與輸入文字或字串列表，然後從回應中讀取向量。輸出可要求為浮點數或 base64 格式。
Gemini Embedding 001 的費用是多少？
在 TokenLab 上，Gemini Embedding 001 價格為 輸入 $0.075 / 輸出 $0.00 每 1M Token。完整明細見上方價格表。
Gemini Embedding 001 應該使用哪一個端點？
請使用 https://api.tokenlab.sh/v1/embeddings 進行 Gemini Embedding 001 的呼叫。下方的請求範例展示了對應的程式碼格式。
Gemini Embedding 001 支援哪些操作？
Gemini Embedding 001 支援 嵌入。請在上方選擇一項操作以查看其端點與請求範例。
比較 Gemini Embedding 001
來源
更新於 2026年10月2日
